CN114565595A - 一种基于环芯光纤光斑的熔接偏移量的检测方法 - Google Patents
一种基于环芯光纤光斑的熔接偏移量的检测方法 Download PDFInfo
- Publication number
- CN114565595A CN114565595A CN202210211105.6A CN202210211105A CN114565595A CN 114565595 A CN114565595 A CN 114565595A CN 202210211105 A CN202210211105 A CN 202210211105A CN 114565595 A CN114565595 A CN 114565595A
- Authority
- CN
- China
- Prior art keywords
- image
- optical fiber
- offset
- core optical
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 116
- 238000003466 welding Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 17
- 239000000835 fiber Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 239000011521 glass Substances 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000010287 polarization Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 2
- 238000005259 measurement Methods 0.000 abstract description 4
- 230000000877 morphologic effect Effects 0.000 abstract description 4
- 238000007499 fusion processing Methods 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007526 fusion splicing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/30—Testing of optical devices, constituted by fibre optics or optical waveguides
- G01M11/33—Testing of optical devices, constituted by fibre optics or optical waveguides with a light emitter being disposed at one fibre or waveguide end-face, and a light receiver at the other end-face
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Optics & Photonics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Coupling Of Light Guides (AREA)
Abstract
本发明属于光纤传感技术领域，更具体地，涉及一种基于环芯光纤光斑的熔接偏移量的检测方法。利用环芯光纤稳定、形态结构区分度高的光纤光斑，对在不同错位熔接偏移量下采集到的光斑进行高精度卷积神经网络的光斑识别训练，打破了现有的仅利用少模光纤高阶模式的背向瑞利散射对光纤熔接损耗的测量的局限，实现了对熔接过程中光纤偏移量的测量，提高了熔接质量检测的准确度。
Description
技术领域
本发明属于光纤传感技术领域，更具体地，涉及一种基于环芯光纤光斑的熔接偏移量的检测方法。
背景技术
目前，针对光纤熔接偏移量的检测方法大多是基于光时域反射技术。最为常见的光纤熔接质量检测方法是使用单模光时域反射仪(Optical Time Domain Reflectometer,OTDR)，利用单模光纤中基模的背向瑞利散射进行检测；这种方法只能支持对光纤中基模的检测，不适用于在支持多个模式且每个模式的传输损耗特性存在较大差异的少模光纤中使用；且基模的检测灵敏度低，会影响判断的准确性。也有人提出基于高阶模式背向瑞利散射的少模光纤链路检测方法，利用少模光纤中的高阶模式对光纤熔接错误灵敏度高的特点，提高对熔接质量判断的准确性，但这种方法只得到熔接导致的损耗，仅能从损耗的大小判断熔接质量的相对好坏，无法得到熔接偏移量的数值。
发明内容
本发明为克服上述现有技术中的缺陷，提供一种基于环芯光纤光斑的熔接偏移量的检测方法，实现了对熔接过程中光纤偏移量的测量，提高了熔接质量检测的准确度。
为解决上述技术问题，本发明采用的技术方案是：一种基于环芯光纤光斑的熔接偏移量的检测方法，包括以下步骤：
S1.系统的搭建：搭建针对环芯光纤错位熔接的表征系统，所述系统包括：激光器、透镜、四分之一玻片、反射镜、涡旋相位板、两根待熔接的环芯光纤、光纤熔接机、CCD相机；
S2.数据采集：激光器发出的光经透镜准直之后，经过四分之一玻片变成圆偏振；光传输到涡旋相位板上进行模式调制，再经由透镜耦合进第一根待熔接的环芯光纤中；在光纤熔接机中，先对准第一根和第二根待熔接的环芯光纤，后根据实验需要调整两根待熔接的环芯光纤之间的轴向偏移量；在第二根待熔接的环芯光纤的尾端，放置一个CCD相机，用来采集不同熔接偏移量情况下的光纤出射光斑；
S3.光斑图像的处理：在计算机上处理采集到的光斑数据，先对两根光纤在不同偏移量下采集的每张图像与对准情况下采集到的图像的平均图像做绝对值差分处理，再将经过绝对值差分后的图像进行剪裁，作为卷积神经网络的输入图像；
S4.神经网络的训练与预测：经过剪裁后的图像输入到卷积神经网络，利用卷积神经网络对不同熔接偏移量下的光纤光斑进行学习，建立熔接偏移量与光纤光斑变化之间的非线性映射关系，在训练阶段，输出层预测的偏移量将与输入图像实际对应偏移量构造交叉熵损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，输出层输出的数据将直接作为图像对应的偏移量。
在本发明中，利用卷积神经网络对不同熔接偏移量下的光纤光斑进行学习，建立熔接偏移量与光纤光斑变化之间的非线性映射关系，实现对光纤熔接偏移量的测量，从而实现对光纤熔接质量的评估。
进一步的，所述的环芯光纤为径向一阶限制的环芯光纤。
进一步的，所述的绝对值差分处理包括：将每张图像的像素点的灰度值减去对准情况下采集到的图像的平均图像对应像素点处的灰度值。
进一步的，所述的步骤S3具体包括：
S31.对两根光纤在对准情况下的采集到的图像求平均图像，表达为：
其中Amean(i,j)表示求得的平均图像在像素点(i,j)处的灰度值，Ak(i,j)表示对准情况下采集到的图像在像素点(i,j)处的灰度值；
S32.将光纤偏移情况下采集到的图像与求得的平均图做绝对值差分处理，表达为：
A′p(i,j)＝Ap(i,j)-Amean(i,j)
其中A′p(i,j)表示绝对值差分后图像在像素点(i,j)处的灰度值，Ap(i,j)表示偏移情况下采集到的图像在像素点(i,j)处的灰度值，Amean(i,j)表示平均图像在像素点(i,j)处的灰度；
S33.对经过绝对值差分后的图像进行剪裁处理，将其从960*1280大小剪裁到412*412大小，作为卷积神经网络的输入图像。
进一步的，所述的卷积神经网络包括一个输入层、两个卷积层、两个下采样层、两个全连接层和一个输出层。
进一步的，所述的步骤S4具体包括：
S41.输入图像X1在输入层被压缩至256*256大小，并经过零均值化成为图像X2，进入第一个卷积层C1；
S42.图像X2被8个大小为5*5*1，步长为1，填充为2的卷积核的卷积后，生成8张特征图X3_i{i＝1,...,8}，8张特征图被批归一化后，经过ReLU函数激活成为X3_i’{i＝1,...,8}，进入第一个池化层S1；
S43.8张特征图X3_i’{i＝1,...,8}经过核大小为2*2，步长为2平均池化后成为X4_i{i＝1,...,8},进入第二个卷积层C2；
S44.8张特征图X4_i{i＝1,...,8}经过卷积核大小为5*5*8，步长为1，填充为2的16个卷积核卷积后，生成16张特征图X5_i{i＝1,...,16}，16张特征图被批归一化后，经过ReLU函数激活成为X5_i’{i＝1,...,16}，进入第二个池化层S2；
S45.16张特征图X5_i’{i＝1,...,16}经过核大小为2*2，步长为2的平均池化后成为X6_i{i＝1,...,16},该16张特征图随后被展开拼接成一维向量，输入到全连接层FC1，全连接层FC1具有256个神经元；
S46.全连接层FC1的输出经过ReLU函数的激活后，输入到全连接层FC2，全连接层FC2具有9个神经元；
S47.FC2的9个神经元的输出进入输出层，输出层通过softmax函数判断输入图像对应的光纤熔接偏移量；在训练阶段，输出层预测的偏移量将与输入图像实际对应偏移量构造交叉熵损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，输出层输出的数据将直接作为图像对应的偏移量。
本发明还提供一种基于环芯光纤光斑的熔接偏移量的检测系统，包括：
数据采集模块：包括激光器、透镜、四分之一玻片、反射镜、涡旋相位板、两根待熔接的环芯光纤、光纤熔接机、CCD相机；激光器发出的光经透镜准直之后，经过四分之一玻片变成圆偏振；光传输到涡旋相位板上进行模式调制，再经由透镜耦合进第一根待熔接的环芯光纤中；在光纤熔接机中，先对准第一根和第二根待熔接的环芯光纤，后根据实验需要调整两根待熔接的环芯光纤之间的轴向偏移量；在第二根待熔接的环芯光纤的尾端，放置一个CCD相机，用来采集不同熔接偏移量情况下的光纤出射光斑；
光斑图像处理模块：用于在计算机上处理采集到的光斑数据，先对两根光纤在不同偏移量下采集的每张图像与对准情况下采集到的图像的平均图像做绝对值差分处理，再将经过绝对值差分后的图像进行剪裁，作为卷积神经网络的输入图像；
卷积神经网络训练与预测模块：用于将经过剪裁后的图像输入到卷积神经网络，利用卷积神经网络对图像进行训练和预测，在训练阶段，输出层预测的偏移量将与输入图像实际对应偏移量构造交叉熵损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，输出层输出的数据将直接作为图像对应的偏移量。
进一步的，所述的光斑图像处理模块包括：
图像平均单元：用于对两根光纤在对准情况下的采集到的图像求平均图像，表达为：
其中Amean(i,j)表示求得的平均图像在像素点(i,j)处的灰度值，Ak(i,j)表示对准情况下采集到的图像在像素点(i,j)处的灰度值；
图像差分单元：用于将光纤偏移情况下采集到的图像与求得的平均图做绝对值差分处理，表达为：
A′p(i,j)＝Ap(i,j)-Amean(i,j)
其中A′p(i,j)表示绝对值差分后图像在像素点(i,j)处的灰度值，Ap(i,j)表示偏移情况下采集到的图像在像素点(i,j)处的灰度值，Amean(i,j)表示平均图像在像素点(i,j)处的灰度；
图像剪裁单元：用于对经过绝对值差分后的图像进行剪裁处理，将其从960*1280大小剪裁到412*412大小，作为卷积神经网络的输入图像。
本发明还提供一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行计算机程序，所述的处理器执行所述计算机程序，实现以上所述的基于环芯光纤光斑的熔接偏移量的检测方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现以上所述的基于环芯光纤光斑的熔接偏移量的检测方法。
与现有技术相比，有益效果是：本发明提供的一种基于环芯光纤光斑的熔接偏移量的检测方法，利用环芯光纤稳定、形态结构区分度高的光纤光斑，对在不同错位熔接偏移量下采集到的光斑进行高精度卷积神经网络的光斑识别训练，打破了现有的仅利用少模光纤高阶模式的背向瑞利散射对光纤熔接损耗的测量的局限，实现了对熔接过程中光纤偏移量的测量，提高了熔接质量检测的准确度。
附图说明
图1是本发明实施例1中选用的环芯光纤折射率的分布图。
图2是本发明实施例2中系统结构示意图图。
图3是本发明实施例1中光斑图像处理流程示意图。
图4是本发明实施例1中卷积神经网络的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。下面结合具体实施方式对本发明作在其中一个实施例中说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，全文中出现的“和/或”的含义为，包括三个并列的方案，以“A和/或B”为例，包括A方案，或B方案，或A和B同时满足的方案。
实施例1：
一种基于环芯光纤光斑的熔接偏移量的检测方法，包括以下步骤：
步骤1.光纤的选择：选用一种径向一阶限制的环芯光纤，其不同模式组之间的传播常数差较大，模式组之间为弱耦合。这样设计，保持了模式之间的分群特性，同时保证了光斑稳定且具有较高的形态结构区分度。针对不同偏移量的错位熔接，环芯光纤的光斑呈现出不同的变化。
如图1所示，为所用光纤的折射率分布。环芯光纤的顶部引入了一个折射率切口，用来调制环芯光纤的折射率分布，并减少微扰引起模式间耦合。此环芯光纤支持四个模式组传输，模式组之间的有效折射率差Δeff大于2×10-3，保证了每个模式组之间的弱耦合，使模式之间保持分群特性，同时保证光纤散斑稳定且形态结构区分度明显。
步骤2.如图2所示，系统的搭建：搭建针对环芯光纤错位熔接的表征系统，所述系统包括：激光器、透镜、四分之一玻片、反射镜、涡旋相位板、两根待熔接的环芯光纤、光纤熔接机、CCD相机；
步骤3.数据采集：激光器发出的光经透镜准直之后，经过四分之一玻片变成圆偏振；光传输到涡旋相位板上进行模式调制，再经由透镜耦合进第一根待熔接的环芯光纤中；在光纤熔接机中，先对准第一根和第二根待熔接的环芯光纤，后根据实验需要调整两根待熔接的环芯光纤之间的轴向偏移量；在第二根待熔接的环芯光纤的尾端，放置一个CCD相机，用来采集不同熔接偏移量情况下的光纤出射光斑。
步骤4.光斑图像的处理：在计算机上处理采集到的光斑数据，先对两根光纤在不同偏移量下采集的每张图像与对准情况下采集到的图像的平均图像做绝对值差分处理，再将经过绝对值差分后的图像进行剪裁，作为卷积神经网络的输入图像。
如图3所示，具体包括以下步骤：
S31.对两根光纤在对准情况下的采集到的图像求平均图像，表达为：
其中Amean(i,j)表示求得的平均图像在像素点(i,j)处的灰度值，Ak(i,j)表示对准情况下采集到的图像在像素点(i,j)处的灰度值；
S32.将光纤偏移情况下采集到的图像与求得的平均图做绝对值差分处理，表达为：
A′p(i,j)＝Ap(i,j)-Amean(i,j)
其中A′p(i,j)表示绝对值差分后图像在像素点(i,j)处的灰度值，Ap(i,j)表示偏移情况下采集到的图像在像素点(i,j)处的灰度值，Amean(i,j)表示平均图像在像素点(i,j)处的灰度；
S33.对经过绝对值差分后的图像进行剪裁处理，将其从960*1280大小剪裁到412*412大小，作为卷积神经网络的输入图像。
步骤5.神经网络的训练与预测。本专利使用的卷积神经网络包含一个输入层、两个卷积层、两个下采样层、两个全连接层、一个输出层。具体网络结构如图4所示。
经过剪裁后的图像输入到卷积神经网络，利用卷积神经网络对图像进行训练和预测，具体包括：
S41.输入图像X1在输入层被压缩至256*256大小，并经过零均值化成为图像X2，进入第一个卷积层C1；
S42.图像X2被8个大小为5*5*1，步长为1，填充为2的卷积核的卷积后，生成8张特征图X3_i{i＝1,...,8}，8张特征图被批归一化后，经过ReLU函数激活成为X3_i’{i＝1,...,8}，进入第一个池化层S1；
S43.8张特征图X3_i’{i＝1,...,8}经过核大小为2*2，步长为2平均池化后成为X4_i{i＝1,...,8},进入第二个卷积层C2；
S44.8张特征图X4_i{i＝1,...,8}经过卷积核大小为5*5*8，步长为1，填充为2的16个卷积核卷积后，生成16张特征图X5_i{i＝1,...,16}，16张特征图被批归一化后，经过ReLU函数激活成为X5_i’{i＝1,...,16}，进入第二个池化层S2；
S45.16张特征图X5_i’{i＝1,...,16}经过核大小为2*2，步长为2的平均池化后成为X6_i{i＝1,...,16},该16张特征图随后被展开拼接成一维向量，输入到全连接层FC1，全连接层FC1具有256个神经元；
S46.全连接层FC1的输出经过ReLU函数的激活后，输入到全连接层FC2，全连接层FC2具有9个神经元；
S47.FC2的9个神经元的输出进入输出层，输出层通过softmax函数判断输入图像对应的光纤熔接偏移量；在训练阶段，输出层预测的偏移量将与输入图像实际对应偏移量构造交叉熵损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，输出层输出的数据将直接作为图像对应的偏移量。
实施例2
本实施例提供一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行计算机程序，所述的处理器执行所述计算机程序，实现实施例1所述的基于环芯光纤光斑的熔接偏移量的检测方法。
实施例3
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现实施例1所述的基于环芯光纤光斑的熔接偏移量的检测方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于环芯光纤光斑的熔接偏移量的检测方法，其特征在于，包括以下步骤：
S1.系统的搭建：搭建针对环芯光纤错位熔接的表征系统，所述系统包括：激光器、透镜、四分之一玻片、反射镜、涡旋相位板、两根待熔接的环芯光纤、光纤熔接机、CCD相机；
S2.数据采集：激光器发出的光经透镜准直之后，经过四分之一玻片变成圆偏振；光传输到涡旋相位板上进行模式调制，再经由透镜耦合进第一根待熔接的环芯光纤中；在光纤熔接机中，先对准第一根和第二根待熔接的环芯光纤，后根据实验需要调整两根待熔接的环芯光纤之间的轴向偏移量；在第二根待熔接的环芯光纤的尾端，放置一个CCD相机，用来采集不同熔接偏移量情况下的光纤出射光斑；
S3.光斑图像的处理：在计算机上处理采集到的光斑数据，先对两根光纤在不同偏移量下采集的每张图像与对准情况下采集到的图像的平均图像做绝对值差分处理，再将经过绝对值差分后的图像进行剪裁，作为卷积神经网络的输入图像；
S4.神经网络的训练与预测：经过剪裁后的图像输入到卷积神经网络，利用卷积神经网络对图像进行训练和预测，在训练阶段，输出层预测的偏移量将与输入图像实际对应偏移量构造交叉熵损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，输出层输出的数据将直接作为图像对应的偏移量。
2.根据权利要求1所述的基于环芯光纤光斑的熔接偏移量的检测方法，其特征在于，所述的环芯光纤为径向一阶限制的环芯光纤。
3.根据权利要求1所述的基于环芯光纤光斑的熔接偏移量的检测方法，其特征在于，所述的绝对值差分处理包括：将每张图像的像素点的灰度值减去对准情况下采集到的图像的平均图像对应像素点处的灰度值。
4.根据权利要求1所述的基于环芯光纤光斑的熔接偏移量的检测方法，其特征在于，所述的步骤S3具体包括：
S31.对两根光纤在对准情况下的采集到的图像求平均图像，表达为：
其中Amean(i,j)表示求得的平均图像在像素点(i,j)处的灰度值，Ak(i,j)表示对准情况下采集到的图像在像素点(i,j)处的灰度值；
S32.将光纤偏移情况下采集到的图像与求得的平均图做绝对值差分处理，表达为：
A′p(i,j)＝Ap(i,j)-Amean(i,j)
其中A′p(i,j)表示绝对值差分后图像在像素点(i,j)处的灰度值，Ap(i,j)表示偏移情况下采集到的图像在像素点(i,j)处的灰度值，Amean(i,j)表示平均图像在像素点(i,j)处的灰度；
S33.对经过绝对值差分后的图像进行剪裁处理，将其从960*1280大小剪裁到412*412大小，作为卷积神经网络的输入图像。
5.根据权利要求4所述的基于环芯光纤光斑的熔接偏移量的检测方法，其特征在于，所述的卷积神经网络包括一个输入层、两个卷积层、两个下采样层、两个全连接层和一个输出层。
6.根据权利要求5所述的基于环芯光纤光斑的熔接偏移量的检测方法，其特征在于，所述的步骤S4具体包括：
S41.输入图像X1在输入层被压缩至256*256大小，并经过零均值化成为图像X2，进入第一个卷积层C1；
S42.图像X2被8个大小为5*5*1，步长为1，填充为2的卷积核的卷积后，生成8张特征图X3_i{i＝1,...,8}，8张特征图被批归一化后，经过ReLU函数激活成为X3_i’{i＝1,...,8}，进入第一个池化层S1；
S43.8张特征图X3_i’{i＝1,...,8}经过核大小为2*2，步长为2平均池化后成为X4_i{i＝1,...,8},进入第二个卷积层C2；
S44.8张特征图X4_i{i＝1,...,8}经过卷积核大小为5*5*8，步长为1，填充为2的16个卷积核卷积后，生成16张特征图X5_i{i＝1,...,16}，16张特征图被批归一化后，经过ReLU函数激活成为X5_i’{i＝1,...,16}，进入第二个池化层S2；
S45.16张特征图X5_i’{i＝1,...,16}经过核大小为2*2，步长为2的平均池化后成为X6_i{i＝1,...,16},该16张特征图随后被展开拼接成一维向量，输入到全连接层FC1，全连接层FC1具有256个神经元；
S46.全连接层FC1的输出经过ReLU函数的激活后，输入到全连接层FC2，全连接层FC2具有9个神经元；
S47.FC2的9个神经元的输出进入输出层，输出层通过softmax函数判断输入图像对应的光纤熔接偏移量；在训练阶段，输出层预测的偏移量将与输入图像实际对应偏移量构造交叉熵损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，输出层输出的数据将直接作为图像对应的偏移量。
7.一种基于环芯光纤光斑的熔接偏移量的检测系统，其特征在于，包括：
数据采集模块：包括激光器、透镜、四分之一玻片、反射镜、涡旋相位板、两根待熔接的环芯光纤、光纤熔接机、CCD相机；激光器发出的光经透镜准直之后，经过四分之一玻片变成圆偏振；光传输到涡旋相位板上进行模式调制，再经由透镜耦合进第一根待熔接的环芯光纤中；在光纤熔接机中，先对准第一根和第二根待熔接的环芯光纤，后根据实验需要调整两根待熔接的环芯光纤之间的轴向偏移量；在第二根待熔接的环芯光纤的尾端，放置一个CCD相机，用来采集不同熔接偏移量情况下的光纤出射光斑；
光斑图像处理模块：用于在计算机上处理采集到的光斑数据，先对两根光纤在不同偏移量下采集的每张图像与对准情况下采集到的图像的平均图像做绝对值差分处理，再将经过绝对值差分后的图像进行剪裁，作为卷积神经网络的输入图像；
卷积神经网络训练与预测模块：用于将经过剪裁后的图像输入到卷积神经网络，利用卷积神经网络对不同熔接偏移量下的光纤光斑进行学习，建立熔接偏移量与光纤光斑变化之间的非线性映射关系；在训练阶段，输出层预测的偏移量将与输入图像实际对应偏移量构造交叉熵损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，输出层输出的数据将直接作为图像对应的偏移量。
8.根据权利要求7所述的基于环芯光纤光斑的熔接偏移量的检测系统，其特征在于，所述的光斑图像处理模块包括：
图像平均单元：用于对两根光纤在对准情况下的采集到的图像求平均图像，表达为：
其中Amean(i,j)表示求得的平均图像在像素点(i,j)处的灰度值，Ak(i,j)表示对准情况下采集到的图像在像素点(i,j)处的灰度值；
图像差分单元：用于将光纤偏移情况下采集到的图像与求得的平均图做绝对值差分处理，表达为：
A′p(i,j)＝Ap(i,j)-Amean(i,j)
其中A′p(i,j)表示绝对值差分后图像在像素点(i,j)处的灰度值，Ap(i,j)表示偏移情况下采集到的图像在像素点(i,j)处的灰度值，Amean(i,j)表示平均图像在像素点(i,j)处的灰度；
图像剪裁单元：用于对经过绝对值差分后的图像进行剪裁处理，将其从960*1280大小剪裁到412*412大小，作为卷积神经网络的输入图像。
9.一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行计算机程序，其特征在于，所述的处理器执行所述计算机程序，实现权利要求1至6任一项所述的基于环芯光纤光斑的熔接偏移量的检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时，实现权利要求1至6任一项所述的基于环芯光纤光斑的熔接偏移量的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210211105.6A CN114565595A (zh) | 2022-03-03 | 2022-03-03 | 一种基于环芯光纤光斑的熔接偏移量的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210211105.6A CN114565595A (zh) | 2022-03-03 | 2022-03-03 | 一种基于环芯光纤光斑的熔接偏移量的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114565595A true CN114565595A (zh) | 2022-05-31 |
Family
ID=81718484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210211105.6A Pending CN114565595A (zh) | 2022-03-03 | 2022-03-03 | 一种基于环芯光纤光斑的熔接偏移量的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114565595A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115424214A (zh) * | 2022-11-03 | 2022-12-02 | 之江实验室 | 基于塑料光纤的准分布式液漏检测方法及装置、电子设备 |
| CN116184570A (zh) * | 2023-02-26 | 2023-05-30 | 北京工业大学 | 一种基于神经网络的空芯反谐振光纤熔接方法 |
| CN116912204A (zh) * | 2023-07-13 | 2023-10-20 | 上海频准激光科技有限公司 | 一种用于光纤熔接的处理方法 |
| CN116912201A (zh) * | 2023-07-13 | 2023-10-20 | 上海频准激光科技有限公司 | 一种光纤熔接质量预测系统 |
| CN117928386A (zh) * | 2024-03-22 | 2024-04-26 | 四川拓及轨道交通设备股份有限公司 | 一种便携式双目接触网几何参数检测系统及方法 |
-
2022
- 2022-03-03 CN CN202210211105.6A patent/CN114565595A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115424214A (zh) * | 2022-11-03 | 2022-12-02 | 之江实验室 | 基于塑料光纤的准分布式液漏检测方法及装置、电子设备 |
| CN116184570A (zh) * | 2023-02-26 | 2023-05-30 | 北京工业大学 | 一种基于神经网络的空芯反谐振光纤熔接方法 |
| CN116184570B (zh) * | 2023-02-26 | 2024-04-26 | 北京工业大学 | 一种基于神经网络的空芯反谐振光纤熔接方法 |
| CN116912204A (zh) * | 2023-07-13 | 2023-10-20 | 上海频准激光科技有限公司 | 一种用于光纤熔接的处理方法 |
| CN116912201A (zh) * | 2023-07-13 | 2023-10-20 | 上海频准激光科技有限公司 | 一种光纤熔接质量预测系统 |
| CN116912204B (zh) * | 2023-07-13 | 2024-01-26 | 上海频准激光科技有限公司 | 一种用于光纤熔接的处理方法 |
| CN116912201B (zh) * | 2023-07-13 | 2024-03-08 | 上海频准激光科技有限公司 | 一种光纤熔接质量预测系统 |
| CN117928386A (zh) * | 2024-03-22 | 2024-04-26 | 四川拓及轨道交通设备股份有限公司 | 一种便携式双目接触网几何参数检测系统及方法 |
| CN117928386B (zh) * | 2024-03-22 | 2024-05-31 | 四川拓及轨道交通设备股份有限公司 | 一种便携式双目接触网几何参数检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114565595A (zh) | 一种基于环芯光纤光斑的熔接偏移量的检测方法 | |
| US10921520B2 (en) | Fusion splicing system, fusion splicer and method of determining rotation angle of optical fiber | |
| Rodriguez-Cobo et al. | Optical fiber strain sensor with extended dynamic range based on specklegrams | |
| CN105699051A (zh) | 用于参考光功率损耗测量系统的方法以及相关联的计算机可读存储器和oplm系统 | |
| CN102183490B (zh) | 光纤全息干涉测量装置 | |
| CN101799282A (zh) | 一种基于光纤阵列的反射式角位移传感器及测量方法 | |
| US11150417B2 (en) | Systems and methods for estimating insertion loss in optical fiber connections and fiber links using data reading apparatus | |
| CN110926758A (zh) | 一种测量混合光纤模式的装置 | |
| CN113029214B (zh) | 基于多环芯光纤的散斑传感系统及散斑识别方法 | |
| CN103176349B (zh) | 镜头检测装置及方法 | |
| KR102517633B1 (ko) | 광섬유의 융착접속 분석 장치 및 그 분석 방법 | |
| Osório et al. | Displacement sensor based on a large-core hollow fiber and specklegram analysis | |
| CN104374549B (zh) | 一种长保偏光纤偏振特性的分段式筛选系统与方法 | |
| CN106289600A (zh) | 一种光纤应力传感器件 | |
| Zheng et al. | Interrelation profile analysis method for alignment of polarization-maintaining fiber | |
| Gu et al. | High-accuracy deflectometric microscope system with a large slope range | |
| Xia et al. | OPGW positioning and early warning method based on a Brillouin distributed optical fiber sensor and machine learning | |
| Seyam et al. | Smart textiles: evaluation of optical fibres as embedded sensors for structure health monitoring of fibre reinforced composites | |
| Utrera et al. | Null-screen testing of the complementary freeform surfaces of an adjustable focus lens | |
| JP2000205997A (ja) | 光ファイバにおけるコア中心位置の検出方法 | |
| CN215810908U (zh) | 一种基于级联保偏光纤的复合传感器 | |
| Gu et al. | Development of a core-offset-based SMS fiber structure for detection of various biomolecules | |
| CN110375965B (zh) | 预测反射式拼接镜随机制造误差对出瞳波前影响的方法 | |
| KR20230003501A (ko) | 광파이버를 위한 융착 접속 시스템, 융착 접속기, 모델 작성 장치, 및 광파이버를 융착 접속하는 방법 | |
| CN114665956A (zh) | 一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |